تجزئة المثيلات الدلالية لكيسات الكلى في صور MR: نهج ثلاثي الأبعاد مؤتمت بالكامل تم تطويره من خلال التعلم النشط

أدريانا ف جريجوري¹ وآخرون

الملخص

المجموعالكلىالحجم (TKV) هو المرقم الحيوي الرئيسي للتصوير المستخدم لرصد تطور المرض وتصنيف المرضى المصابين بتعدد الكيسات الصبغي الجسدي السائدالكلىمرض(ADPKD) للتجارب السريرية. ومع ذلك ، قد يكون لدى المرضى الذين يعانون من TKVs عروض تقديمية وأنماط ظاهرية مختلفة بشكل كبير. في محاولة لتقدير هذه الاختلافات الكيسية ، قمنا بتطوير أول خوارزمية تجزئة كيس دلالي ثلاثية الأبعاد لـالكلىفي صور MR. لقد أعدنا صياغة كل من مهمة اكتشاف الكائن / التعريب ومهمة التجزئة القائمة على المثيل في مهمة تجزئة دلالية. سمح لنا ذلك بحل مشكلة التصوير الفريدة هذه بكفاءة ، حتى بالنسبة للمرضى الذين يعانون من آلاف الأكياس. للقيام بذلك ، تم تدريب شبكة عصبية تلافيفية (CNN) لتعلم حواف الكيس ونوى الكيس. تم تحويل الصور من تجزئة كيس المثيل إلى تجزئة حافة النواة الدلالية من خلال تطبيق عامل مورفولوجيا تآكل ثلاثي الأبعاد على إصدارات عينات من الصور. وصفت الأكياس المخففة بأنها اللب ؛ تم توسيع المناطق المتآكلة في 2D وتم تصنيفها على أنها حافة. تم تدريب الشبكة على 3 {{1 0} صور MR وتم التحقق من صحتها على 1 0 صور MR باستخدام إجراء تحقق من صحة أربعة أضعاف. تم اختبار نموذج المجموعة النهائي على 20 صورة MR لم تتم رؤيتها أثناء التدريب / التحقق الأولي. تمت مقارنة النتائج من مجموعة الاختبار بتجزئة اثنين من القراء. حقق النموذج المقدم قيمة R2 بمتوسط ​​0.94 لعدد الكيس ، 1. 00 لحجم الكيس الكلي ، 0.94 لمؤشر الكيس ، ومتوسط ​​معامل النرد 0.85. توضح هذه النتائج جدوى إجراء تقسيمات الكيس تلقائيًا في مرضى ADPKD.

الكلمات الدالةصبغي جسدي سائد متعدد الكيساتالكلىمرض· التصوير بالرنين المغناطيسي. · تجزئة المثيل ثلاثية الأبعاد. · حجم الكيس · الشبكات العصبية التلافيفية

جهة الاتصال: ali.ma@wecistanche.com

يمنع Cistanche para que sirve أمراض الكلى ، انقر هنا للحصول على العينة

مقدمة

صبغي جسدي سائد متعدد الكيساتالكلىمرض(ADPKD) هو اضطراب وراثي يصيب ما يقرب من 140 شخصًا 000 تم تشخيصهم حاليًا في الولايات المتحدة [1]. يتميز بتطور الخراجات المتعددة فيالكلى. مع زيادة عدد وحجم الخراجات ، فإنها تتداخل معالكلىالقدرة على تصفية الفضلات من الدم وغالبًا ما تؤدي إلى المرحلة النهائية من مرض الكلى [2].

أظهرت العديد من الدراسات هذا المجموعالكلىالحجم (TKV) هو علامة بيولوجية تنبؤية مفيدة بالاشتراك مع العمر ومعدل الترشيح الكبيبي المقدر للاستخدام في التجارب السريرية وللتنبؤ بتدهور وظائف الكلى [3-5]. على الرغم من أهمية TKV ، إلا أن هناك المزيد من المعلومات الهيكلية التي يمكن تمييزها. على سبيل المثال ، ستوفر المؤشرات الحيوية الأخرى المشتقة من الصور مثل عدد الكيس وحجمه مزيدًا من التبصر فيما يتعلق بحالة المرض [6]. قد يظهر مرضى ADPKD الذين يعانون من TKVs متشابهةالكلىتكوينات الكيس (على سبيل المثال ، عدد قليل من الأكياس الكبيرة ، أو العديد من الأكياس الصغيرة ، أو مزيج من الأكياس الكبيرة والصغيرة). من المحتمل أن تكون هذه المعلومات المضافة مهمة سريريًا وهي حاليًا أحد العوامل المستخدمة لتصنيف مجموعات التصوير النموذجية وغير النمطية في مرضى ADPKD [7]. علاوة على ذلك ، باي وآخرون. [8] اقترح مؤخرًا أن استبعاد الأكياس الخارجية البارزة يمكن أن يحسن تصنيف المرضى. ومع ذلك ، غالبًا ما يتم إجراء تقييم الكيس هذا يدويًا باستخدام المعادلة الإهليلجية لتقريب أحجام الأكياس أو عن طريق طرق شبه آلية تعتمد على المستخدم.

خلال السنوات القليلة الماضية ، تم تنفيذ التعلم الآلي (خاصة التعلم العميق) بنجاح لتجزئة الصور الطبيعية (أي الصور الملتقطة بكاميرا RGB) [9-11]. نتيجة لذلك ، قام الباحثون في تحليل الصور الطبية بترجمة وتطوير تقنيات جديدة لتجزئة العديد من الأعضاء والأنسجة [12]. في ADPKD ، تم تنفيذ طرق مؤتمتة بالكامل باستخدام الشبكات العصبية العميقة لتقسيم الكيسات المتعددةالكلىفي عمليات المسح المقطعي المحوسب مع أو بدون تحسين التباين الذي يصل إلى معامل النرد {{0}}. 86 و 0.92 على التوالي [13 ، 14]. تم أيضًا تنفيذ نماذج مؤتمتة بالكامل لـ T 2- صور MR الموزونة [15 ، 16] والتي تعرض نتائج دقيقة (النرد=0. 97).

ومع ذلك ، فإن تجزئة المثيل تذهب إلى أبعد من ذلك وهي قادرة على تجزئة أمثلة من نفس الفئة (على سبيل المثال ، فصل كل مثيل لسيارة أو خلية في صورة ما). قناع R-CNN [17] هو طريقة مستخدمة على نطاق واسع لإنشاء تجزئة المثيل من خلال تطبيق خوارزمية اكتشاف الكائن. تم توجيه معظم تطبيقات Mask R-CNN نحو تجزئة الصور الطبيعية [18-21] وبعضها من أجل التشريح المرضي والصور الطبية ثنائية الأبعاد [22-26]. ومع ذلك ، بالنسبة للصور ثلاثية الأبعاد ، يمكن أن يؤدي البعد الأعلى لعمليات المسح إلى زيادة متطلبات ذاكرة وحدة معالجة الرسومات بشكل كبير. أبلغت اثنتان فقط من الدراسات الإشعاعية عن استخدام Mask R-CNN ، لتجزئة العقيدات الرئوية في التصوير المقطعي المحوسب للصدر [27] وتقييم النزف في التصوير المقطعي بالرأس [28]. من ناحية أخرى ، تشكل مهمة تجزئة كيس المثيل تحديًا أكبر ، ليس فقط بسبب العدد الأكبر من الحالات (حتى آلاف الأكياس) ، مما يجعل تنفيذها باستخدام نهج اكتشاف الكائن غير ممكن ، ولكن أيضًا بسبب الارتباط الكبير / الطبيعة العنقودية للكيسات في ADPKD.

طبقت بعض الدراسات أساليب تجزئة أكثر تقليدية لتوليد تجزئة الخراجات الدلالية والمثيلات للتصوير بالموجات فوق الصوتية والتصوير المقطعي المحوسب [29-32] ، من خلال تطبيق أساليب تعتمد على الكثافة والشكل. في التصوير بالرنين المغناطيسي ، تم تنفيذ نهجين شبه آليين للأداءالكلىتجزئة الكيس. استخدم الأسلوب الأول طريقة التجميع k-mean متبوعة بتحليل المكونات المتصلة لتوفير تجزئة كيس المثيل [33]. استخدمت الطريقة الثانية طريقة تعتمد على المنطقة لإنشاء خرائط ثنائية لشدة الإشارة لإنشاء تجزئة للكيس الدلالي [34]. تعتمد معظم هذه الأساليب على معلومات الشدة التي قد تشمل مناطق أخرى ذات قيم شدة مماثلة مثل الحوض الكلوي وتستبعد بعض الأكياس ذات شدة الإشارة المختلفة (على سبيل المثال ، الأكياس النزفية). قد تكون الطريقة المؤتمتة بالكامل قادرة على التغلب على هذه المشكلات وتوفير معلمات أكثر دقة لتقدير الكيس ، خاصةً في الحالات الشديدة حيث لا يتم تنفيذ طرق التجزئة اليدوية والطرق شبه الآلية بسهولة. وبالتالي ، في هذه الورقة ، نقترح نموذجًا للتعلم العميق لتجزئة كيس المثيل ثلاثي الأبعاد من أجل قياس الحجم الكلي للكيس (TCV) بالإضافة إلى عدد الكيس والمؤشر الكيسي.

المواد والأساليب

تمت مراجعة هذه الدراسة التصويرية بأثر رجعي والموافقة عليها من قبل مجلس المراجعة المؤسسية لدينا. يعد التقسيم اليدوي ثلاثي الأبعاد للكيسات الفردية في صور MR من مرضى ADPKD مهمة صعبة للغاية وتستغرق وقتًا طويلاً. للتخفيف من عملية إنشاء مجموعة بيانات قياسية مرجعية ، تم تنفيذ نموذج أولي. تم تدريب النموذج الأولي على 15 3 صور D MR ، وتم التحقق من صحتها على 5 صور ، واختبارها على 5 صور إضافية. ثم تم استخدام مخرجات النموذج الأولي وإطاره للنموذج النهائي المحسن.

النموذج الأولي: مجموعة بيانات التصوير بالرنين المغناطيسي

خمسة وعشرون (ن=25) مريضًا يعانون من ADPKD وممثل التصوير بالرنين المغناطيسي المتوفر لمراحل مختلفة من تطور الكيس والكلىتم التعرف على التوسيع من قاعدة بيانات التصوير الخاصة بنا. فقط T الإكليلية {0} عمليات المسح المشبعة بالدهون الموزونة التي لا تظهر أي تشويش وتم الحصول عليها مع 3- شدة المجال T (n=23) والمجال 1. 5- T تم اختيار القوة (ن=2) لهذه الدراسة. نظرًا لالتقاط الصور على مدار عدة سنوات ، تباينت عملية الاستحواذ المحددة للرنين المغناطيسي ، ولكن جميعها تتكون من حجم مصفوفة 256 × 256 × Z (مع FOV و Z كبير بما يكفي لتغطية النطاق الكامل للكلى). كان متوسط ​​حجم فوكسل للصورة 1.37 مم (النطاق 0. 82 إلى 1.56 مم) داخل المستوى ، بمتوسط ​​سماكة شريحة 3. 0 مم (النطاق 3. 0 إلى 9.0 مم).

تم الحصول على TKVs بتطبيق تلقائيالكلىكانت التجزئة [35] متاحة لجميع الحالات. تم فرز عمليات المسح على أساس TKV وعشوائية في التدريب (n=15) ، والتحقق من الصحة (n=5) ، واختبار (n=5) مجموعات كما هو موضح في الشكل 1 حسب طبقات. أخذ العينات لضمان توزيع مماثل لحجم الكلى بين المجموعات.

النموذج الأولي: المعيار المرجعي

تجزئة الكيس: مجموعة الاختبار

تم تتبع الخراجات يدويًا من قبل اثنين من القراء المدربين باستخدام برنامج PKD-GUI (متاح عبر الإنترنت على https: // github. com / TLKline / InstanceCystSeg) الذي تم تطويره داخليًا. يسمح البرنامج بالتتبع الحر ، وتم حفظ الأقسام النهائية كملفات NIFTI مضغوطة. استخدم القراء ملصق واحد فقط لتتبع جميع الأكياس باستثناء الحوض الكلوي والأوعية والأنسجة الكلوية الطبيعية والمناطق عالية الكثافة الأصغر من 4 فوكسل والتي لا يمكن تمييزها عن ضوضاء الصورة. بالإضافة إلى ذلك ، فقد تعمى القراء عن معلومات المريض واقتفاء أثر القارئ الآخر.

تجزئة كيس المثيل: مجموعة اختبار

تم إنشاء مثيل أولي لتجزئة الكيس من تتبع الكيس اليدوي عن طريق تطبيق خوارزمية مستجمعات المياه ثلاثية الأبعاد على خريطة مسافة إقليدية ثلاثية الأبعاد استنادًا إلى صور تجزئة الكيس والتصوير بالرنين المغناطيسي (MATLAB ، v.R2018b). قامت الخوارزمية بتعيين تسميات مختلفة لكل كيس بترتيب تصاعدي. تمت مراجعة تجزئة كيس المثيل لاحقًا بواسطة نفس القارئ الذي أجرى تجزئة الكيس اليدوي وتم تصحيحه عند الضرورة (أي عن طريق تقسيم الملصقات أو دمجها) باستخدام البرنامج الداخلي الموصوف سابقًا.

النموذج الأولي: المعالجة المسبقة للبيانات

المعيار المرجعي: مجموعات التدريب والتحقق من الصحة

لتسريع عملية تجزئة الكيس لمجموعات التدريب والتحقق من الصحة ، تم استخدام خوارزمية تجزئة الكيس الدلالي المؤتمتة المطورة مسبقًا لإجراء تجزئة الكيس ذات التسمية الواحدة [36]. بعد ذلك ، خضع التقسيم الناتج لعملية مستجمعات المياه ثلاثية الأبعاد الموضحة في القسم السابق. أخيرًا ، تمت مراجعة الصور بواسطة Reader 1.

قبل تدريب نموذج التعلم العميق ، تم تحويل أقنعة التجزئة إلى شرائح دلالية مثل حافة الكيس و قلب الكيس. تم الحصول على الحافة بطرح قناع الكيس باستخدام قناع الكيس المتوسع ثلاثي الأبعاد (باستخدام 6- عنصر هيكلي متصل). كان لب الكيس هو نفسه قناع الكيس. تم إجراء عملية التحويل بطريقة كيس تلو الآخر (MATLAB ، v.R2018b).

النموذج الأولي: تجزئة كيس المثيل الدلالي

نموذج التعلم العميق

يعتمد نموذج التعلم العميق على شبكة U-Net العصبية [37] باستخدام وحدات بداية مشابهة للعمل السابق [36]. يتكون مدخل النموذج من 4 صور:

3 شرائح MR متتالية و 1الكلىقناع التجزئة المطابق لصورة إدخال MR الوسطى. ناتج النموذج هو صورة حافة النواة المتوقعة لصورة المدخلات الوسطى (الشكل 2). بالنسبة لشريحتي التصوير بالرنين المغناطيسي الأولى والأخيرة للاختبار ، كانت الصور المدخلة الأولى والثالثة عبارة عن مصفوفات غير مبطنة ، على التوالي.

تدريب النموذج

تم تدريب النموذج على وحدة معالجة رسومية NVidia (الطراز: Tesla P40) باستخدام مكتبة Keras Python و Python 3.6.1. تم تعيين عدد الحقبات على 200 بحجم دُفعة 6. تم تقييم تقييم التجزئة بواسطة دالة خسارة Jaccard ، حيث r هي التجزئة المرجعية ، و p هي التجزئة المتوقعة ، و N هي عدد وحدات البكسل. تم استخدام محسن Adam بمعدل تعلم=1 e − 3.

النموذج الأولي: بعد معالجة البيانات

من أجل تعيين تسمية فردية لكل كيس ، تم تطبيق خوارزمية المكونات المتصلة مع 6 اتصال voxel المجاور على تجزئة النوى عند إخراج نموذج التعلم العميق.

النموذج النهائي: مجموعة بيانات التصوير بالرنين المغناطيسي

خمسة وثلاثون (ن=35) صورة ثلاثية الأبعاد بالرنين المغناطيسي من مرضى ADPKD ومتوفرة 1. 5- T أو 3- TT 2- صور مشبعة بالدهون الإكليلي تمثل نطاقًا أوسع تمت إضافة مجموعة من المراحل المختلفة لتطور الكيس وتضخم الكلى إلى مجموعة البيانات من النموذج الأولي. كانت تجزئة TKV متاحة لجميع الحالات. إجمالاً ، كانت 6 0 صور MR بحجم مصفوفة 256 × 256 × Z أو 512 × 512 × Z (مع FOV و Z كبيرة بما يكفي لتغطية النطاق الكامل للكلى) تتألف من مجموعة البيانات النهائية. كان متوسط ​​حجم فوكسل للصورة 1.41 مم (النطاق 0 .8 إلى 1.88 مم) داخل المستوى ، بمتوسط ​​سماكة شريحة 4. 0 مم (النطاق 3. 0 إلى 9.0 مم).

تم فرز الصور بناءً على قياسات TKV الخاصة بهم. تم استخدام أربعين صورة بالرنين المغناطيسي (بما في ذلك 25 صورة من النموذج الأولي) للتدريب والتحقق من الصحة باستخدام تقنية التحقق من الصحة الرباعية. تم استخدام 20 صورة MR المتبقية للاختبار. يوضح الشكل 3 توزيعات TKV لجميع المجموعات.

النموذج النهائي: المعيار المرجعي

تم إنشاء تجزئة المثيل للصور الـ 35 MR المضافة حديثًا باستخدام النموذج الأولي. راجع اثنان من القراء المستقلين صور الاختبار (n=20) وقام أحد القراء بمراجعة صور التدريب / التحقق من الصحة (n=15). أخيرًا ، تم أخذ عينات جميع أقنعة تجزئة الكيس الستين وصور MR المقابلة إلى حجم مصفوفة 512 × 512 × 3Z باستخدام الاستيفاء ثنائي الخطي والمكعب ، على التوالي. تم تطبيق عملية فتح على كل مثيل كيس للحفاظ على تجزئة المثيل الدقيق بعد المعالجة اللاحقة (أي التمدد بعد تآكل اللب).

تم تحويل تجزئة المثيل إلى مقاطع أساسية للحافة حيث كان اللب ناتجًا عن مثيلات الكيس المتآكلة ثلاثية الأبعاد وتم الحصول على الحافة عن طريق إضافة حواف مثيل الكيس الداخلية ثلاثية الأبعاد والخارجية ثنائية الأبعاد. تم إجراء العمليات المورفولوجية ثلاثية الأبعاد وثنائية الأبعاد باستخدام نواة اتصال 3 × 3 × 3 فوكسل 6- ونواة نشاط 3 × 3 فوكسل 4- على التوالي.

النموذج النهائي: مجموعة التعلم

تم الحصول على أربعة نماذج من مجموعات التحقق من الصحة الرباعية باستخدام بنية U-Net الموضحة في الشكل 2. تم دمج النماذج الثلاثة ذات الأداء الأفضل في مجموعة التحقق كنموذج المجموعة النهائي. تم إنشاء المخرجات من خلال التصويت بالأغلبية على الأقسام الثلاثة الأساسية والجوهرية. يظهر رسم تخطيطي لنموذج المجموعة النهائي في الشكل 4.

النموذج النهائي: المعالجة اللاحقة

من نتائج النموذج الأولي ، لوحظ أنه بسبب انخفاض دقة الصورة على المحور Z ، تم توصيل بعض نوى الكيس بالأكياس الخلفية / الأمامية. من أجل تحسين التحويل من تجزئة الدلالي إلى تجزئة المثيل ومع معرفة أن الأكياس لها شكل مشابه للكرة ، قمنا أولاً بحساب خريطة المسافة الإقليدية ثلاثية الأبعاد على تجزئة النوى. بعد ذلك ، تم تطبيق خوارزمية 3D Watershed لتقسيم أي أكياس قد لا يتم فصلها عن طريق تجزئة الحافة. بعد ذلك ، بهدف الحفاظ على نوى الكيس المكونة أساسًا من عدد قليل من وحدات البكسل التي قد تُفقد بعد خوارزمية مستجمعات المياه ، تم تطبيق خوارزمية مكونات متصلة مع 6- اتصال جار قريب على الفرق بين الخريطة الأساسية المتوقعة والأبعاد الثلاثية ناتج مستجمعات المياه. تم تعيين تسميات تجزئة مثيل المكونات المتصلة ثلاثية الأبعاد بدءًا من واحد بالإضافة إلى التسمية الأخيرة من إخراج 3D Watershed. بعد ذلك ، تمت إضافة تجزئة مثيل المكونات المتصلة إلى تجزئة مثيل مستجمعات المياه. أخيرًا ، تم توسيع جميع مثيلات الكيس في شكل ثلاثي الأبعاد بواسطة عنصر هيكلي متصل 3 × 3 × 3 فوكسل 6-. كانت آخر خطوة بعد المعالجة هي اختزال الصورة إلى شكلها الأصلي.

تحليل احصائي

تم تقييم النموذج الأولي والمجموعة من خلال مقارنة تجزئة كيس المثيل الآلي بتقسيم الكيس القياسي المرجعي ثلاثي الأبعاد. تم تقسيم تجزئة المثيل إلى ثنائية لمقارنة فوكسل باستخدام مؤشر Jaccard ومعامل Sorensen-Dice والدقة والاستدعاء وتغيير الحجم النسبي المطلق. تم تقييم TCVs ، المحسوبة على أنها مجموع جميع وحدات البكسل المقطعة مضروبة في حجم فوكسل ، من خلال تحليل Bland-Altman والانحدار الخطي. تم تقييم العدد الإجمالي للكيسات باستخدام الانحدار الخطي. أخيرًا ، المؤشر الكيسي ، المُعرَّف على أنه النسبة المئوية لحجم الكيس من الإجماليالكلىالحجم ، تم تقييمه من خلال تحليل Bland-Altman والانحدار الخطي. تم تشكيل التحليل الإحصائي باستخدام JMP (JMP ، الإصدار 14) و MedCalc (MedCalc Statistical Software ، الإصدار 19.1.3).

نتائج

النموذج الأولي: 5 ‑ مجموعة اختبار الحالة - تجزئة الكيس

تمت ملاحظة نتائج TCVs المحسوبة من التجزئة التي تم إجراؤها بواسطة Reader 1 و Reader 2 وتلك التي تم الحصول عليها تلقائيًا مع الوضع الأولي (مرتبة بناءً على TKV التصاعدي) في الجدول 1. أدى تحليل Bland-Altman إلى تحيز ودقة - 8.9 بالمائة ± 7. 0 بالمائة بين Reader 1 و Reader 2 ، 0. 9 بالمائة ± 32.2 بالمائة بين Reader 1 والنموذج الأولي ، و 9.5 بالمائة ± 30.8 بالمائة بين Reader 2 والنموذج الأولي .

النموذج الأولي: 5 ‑ مجموعة اختبار الحالة - تحليل عدد الكيسات

كان العدد الإجمالي للكيسات K1 ، 102 ، 115 ، 224 ؛ K2، 96، 99، 105 ؛ K3 ، 274 ، 178 ، 183 ؛ K4 ، 676 ، 755 ، 721 ؛ و K5 و 279 و 177 و 145 كيسًا للقراء 1 و 2 والنموذج الأولي على التوالي. نتج عن تحليل الانحدار الخطي R 2=0. 94 بين Reader 1 و Reader 2 ، R 2=0. 82 بين Reader 1 والنموذج الأولي ، و R 2=0. 96 بين Reader 2 و النموذج الأولي.

شريحة تمثيلية من ثلاث حالات اختبار تُظهر الاختلافات بين Reader 1 و Reader 2 والنموذج الأولي في الشكل 5. تشير الأسهم الصفراء إلى أكياس تم تقسيمها بشكل مختلف بين القراء أو بين القراء والطريقة الآلية. في معظم الحالات ، حدد النموذج تسمية واحدة للخراجات العنقودية. يُظهر السهم الأحمر اختلافًا بين Reader 1 و Reader 2 ، حيث استبعد Reader 1 شدة السطوع التي يُنظر إليها على أنها جزء من الحوض الكلوي لكن القارئ 2 فسر المنطقة على أنها كيس.

النموذج النهائي: 20 مجموعة اختبار الحالة - تجزئة الكيس

يلخص الجدول 3 مقاييس التشابه بين Reader 1 و Reader 2 والنموذج النهائي لمجموعة اختبار الحالة 20-. لاحظنا أن مقاييس التشابه بين Reader 1 و Reader 2 تُظهر توافقًا أعلى مقارنة بالنتائج من مجموعة اختبار الحالة 5- الأولية. قد يكون هذا بسبب تأثير التحيز حيث بدأ كلا القراء من تجزئة المثيل الأولي التي تم إنشاؤها بواسطة النموذج الأولي. علاوة على ذلك ، لاحظنا أداءً مشابهًا بين النموذج النهائي وكلا القراء ، مع الأخذ في الاعتبار أن مجموعة الاختبار تتضمن مجموعة واسعة من الأنماط الظاهرية ADPKD.

نتج عن تحليل Bland-Altman لـ TCV تحيز ودقة بنسبة 12.5 بالمائة ± 10.1 بالمائة بين Reader 1 و Reader 2 ، 10.2 بالمائة ± 11.2 بالمائة بين Reader 1 ونموذج المجموعة ، - 2.3 بالمائة ± 9.9 بالمائة بين Reader 2 و نموذج المجموعة ، و 4.3 بالمائة ± 9.3 بالمائة بين متوسط ​​Reader 1 مع Reader 2 وطراز المجموعة. نتج عن تحليل الانحدار الخطي اتفاق تام (R 2=1. 00) بين Reader 1 ونموذج المجموعة ، و Reader 2 ونموذج المجموعة ، ومتوسط ​​القارئ مع نموذج المجموعة. أظهر تحليل الانحدار بين Reader 1 و Reader 2 وجود علاقة شبه كاملة مع R 2=0. 98. يوضح الشكل 6 مخططات الانحدار الخطي بلاند - ألتمان لـ TCV.

نتج عن تحليل بلاند-ألتمان للمؤشر الكيسي تحيز ودقة بنسبة 12.6 بالمائة ± 10.5 بالمائة بين Reader 1 و Reader 2 ، 10.2 بالمائة ± 11.2 بالمائة بين Reader 1 ونموذج المجموعة ، - 2.4 بالمائة ± 9.8 بالمائة بين Reader 2 و نموذج المجموعة ، و 4.3 في المائة ± 9.4 في المائة بين متوسط ​​القراء ونموذج المجموعة. أفضل ارتباط لمؤشر الكيس كان بين متوسط ​​كل من القراء ونموذج المجموعة (R 2=0. 94). نتج عن تحليل الانحدار الخطي R 2=0. 90 بين Reader 1 و Reader 2 ، R 2=0. 92 بين Reader 1 ونموذج المجموعة ، R 2=0. 90 بين Reader 2 والمجموعة نموذج. يوضح الشكل 7 مخططات الانحدار الخطي بلاند - ألتمان للمؤشر الكيسي.

النموذج النهائي: 20 مجموعة اختبار الحالة - تحليل عدد الكيسات

تم تحليل العدد الإجمالي للكيسات التي تم الحصول عليها من تجزئة كيس المثيل عن طريق الارتباط (الشكل 8). أظهر القارئ 2 ونموذج المجموعة أقوى ارتباط مع R 2=0. 96 ، حيث اكتشف النموذج أكياسًا أكثر بقليل من Reader 2. أظهرت المقارنة بين Reader 1 ونموذج المجموعة النهائي توافقًا جيدًا (R {{6} } .88) ، حيث حدد Reader 2 أكياسًا أكثر من نموذج المجموعة في معظم الحالات. ومع ذلك ، أظهر متوسط ​​عدد الأكياس بين المراقبين اتفاقًا ممتازًا مع عدد كيس نموذج المجموعة (R 2=0. 94) (الشكل 8 د). أخيرًا ، أظهرت المقارنة بين Reader 1 و Reader 2 أدنى اتفاق مع R 2=0. 83 ، حيث حدد Reader 1 أكياسًا أكثر من Reader 2.

يتم تقديم شريحة تمثيلية من ثلاث حالات اختبار في الشكل 9. يمكننا ملاحظة أن الطريقة الآلية توفر تجزئة مثيلة جيدة لحالات ADPKD مع أكياس متعددة المجموعات (وهي أكثر الحالات تحديًا للخوارزمية) وتبدو النتائج بصريًا على قدم المساواة مع تجزئة المثيل من القراء الاثنين.

أخيرًا ، تظهر مقارنة بين TKV (أي ، العلامة الحيوية للتصوير الرئيسي لتقييم ADPKD) و TCV وعدد الكيسات في الشكل 10. يوضح تحليل الانحدار الخطي أن 98 بالمائة من التباين في TCV يُفسر من خلال ارتباطه الخطي بـ TKV ؛ ومع ذلك ، فإن 53 في المائة فقط من التباين في تعداد الكيس يفسر من خلال ارتباطه الخطي بـ TKV. يوفر هذا دليلًا على أن تعداد الكيس يمكن أن يوفر معلومات نمطية إضافية تتجاوز TKV.

مناقشة

في هذه الدراسة ، نقدم نهج التعلم العميق الأول لتقسيم حالات الكيس العنقودية المتعددة في صور MR لمرضى ADPKD. أظهرت مقارنة TCV المتوقع وعدد الكيس والمؤشر الكيسي بالنتائج من قراء اثنين أن النهج الآلي يمكن أن ينتج تجزئة كيس مثيل ثلاثية الأبعاد دقيقة.

تتطلب نماذج التعلم العميق كميات كبيرة من البيانات لتحقيق أفضل النتائج. كان عدم وجود صور توضيحية ثلاثية الأبعاد يمثل عنق الزجاجة الرئيسي في بداية الدراسة. تطلبت الصور الخمس المجزأة يدويًا في مجموعة الاختبار الأولية عدة أسابيع حتى تكتمل وكانت كثيفة العمالة. أكثر الصور تحديًا هي تلك الصور من مرضى ADPKD المتقدم / الحاد حيث تتجمع الأكياس المتعددة معًا ولا يتم تحديد الحدود كما هو الحال عندما تكون الأكياس محاطةالكلىحمة. وللتغلب على هذه العقبة تم تقسيم الدراسة إلى قسمين لحل هذه المشكلة بالتعلم النشط. تضمن الجزء الأول من الدراسة نموذجًا أوليًا تم تدريبه على مجموعة بيانات صغيرة. تضمن الجزء الثاني من الدراسة تطوير النموذج النهائي باستخدام مجموعة بيانات أكبر ، حيث تمت تهيئة المعيار المرجعي بواسطة النموذج الأولي.

نتائج هذه الدراسة على قدم المساواة مع النتائج التي حصل عليها باي وآخرون. [33] ، حيث اقترح طريقة شبه آلية لتوليد تجزئة كيس المثيل. تم الإبلاغ عن تحيز TCV باستخدام التجزئة شبه الآلية مقارنة بحجم يعتمد على المنطقة كان - 9 بالمائة مع R 2=0 98 لعدد الكيس. في دراستنا ، كان انحياز TCV بين القراء والطريقة المؤتمتة بالكامل 10.2 بالمائة و - 2.3 بالمائة على التوالي ، مع R 2=0 .94 لعدد الكيس. من الجدير بالذكر أن مجموعة الاختبار في دراستنا تضمنت حالات ذات TCV أعلى وعدد أكبر من الأكياس ، ونموذج المجموعة المقترح لا يتطلب أي مدخلات من المستخدم.

يمكن إظهار الخراجات في صور MR بكثافة مختلفة اعتمادًا على تكوين الكيس. معظم الأكياس في ADPKD عبارة عن أكياس بسيطة (على سبيل المثال ، لا تحتوي على مكونات صلبة) وتظهر كمناطق شديدة الكثافة في صور MR الموزونة 2-. ومع ذلك ، غالبًا ما يُنظر إلى الأكياس المعقدة (مثل الأكياس البروتينية والنزفية والمصابة بالعدوى) على أنها مناطق شحمية [38]. لوحظ مصدر آخر للاختلاف في شدة الكيس اعتمادًا على قوة المجال المغناطيسي للماسح الضوئي بالرنين المغناطيسي. تتميز الماسحات الضوئية ثلاثية تسلا بقوة مجال مغناطيسي أعلى وتوفر نسبة SNR أعلى ، وبالتالي جودة صورة أفضل وتباين الكيس. لتوفير تجزئة دقيقة للكيس ، فإن الطريقة الآلية مطلوبة

أن تكون شدة ثابتة. بهدف زيادة قابلية تعميم النموذج ، تم تدريب نموذج المجموعة النهائي على الصور التي تم الحصول عليها باستخدام 1. 5- T و 3- ماسحات T MR. علاوة على ذلك ، قمنا بتضمين صور تعرض أكياسًا معقدة في مجموعة واسعة من الأنماط الظاهرية ADPKD والصور بدقة مختلفة. علاوة على ذلك ، تضمنت المجموعة حالات مع TKVs تتراوح من أحجام قريبة من الحجم الطبيعيالكلى(~ 290 مل) تصل إلى ما يقرب من 10 ، 000 مل ، والتي تغطي عمليا مجموعة كاملة من أجهزة التلفزيون في ADPKD. يمكن ملاحظة مثالين على التعميم المحسن لنموذج المجموعة على النموذج الأولي في الشكل 11 ، حيث كان النموذج النهائي قادرًا على تحديد الأكياس ذات الكثافة المنخفضة.

The conversion from instance cyst segmentation to semantic edge-core segmentation for training the model is another key step, particularly for clustered cysts. The semantic edge segmentation for the initial model was generated by applying a dilation morphology operator. This approach was chosen because some cysts are present on only one slice and an erosion approach would not preserve these cysts after the conversion. The dilation method provided a good estimation of the cyst edges on the in-plane view (x and y view) but, due to the lower resolution on the Z dimension, the posterior and anterior cyst edges interfered with adjacent cysts. For the final model, we decided to generate the semantic edge segmentation applying the erosion morphology operator. To preserve all cysts, the MR images and the corresponding instance segmentations were interpolated to a size 512 × 512 × 3Z. Thus, cysts present on only one slice would be interpolated to 2 additional slices. We up-sampled the images with an in-plane matrix size of 256 × 256 to 512 × 512 because the ensemble model requires a consistent input matrix size. To account for the higher class imbalance (core class >>فئة الحافة) بسبب الاستيفاء ، أجرينا تمددًا ثنائي الأبعاد للحواف. يمكن ملاحظة تحسين الحفاظ على TCV وعدد الكيسات لمقاربة التآكل على نهج التوسيع في الشكل 12.

تضمن تصميم النموذج النهائي مجموعة التصويت لثلاثة نماذج مختلفة. كانت هذه النماذج هي أفضل ثلاثة نماذج أداءً في مجموعة التحقق التي تم الحصول عليها من طريقة التحقق من الصحة الرباعية. تم تنفيذ نموذج المجموعة مع خوارزمية تصويت الأغلبية نظرًا لأن مجموعات التصويت تتميز بأنها أكثر استقرارًا وتتمتع بأداء أفضل من النماذج الفردية [36]. يمكن العثور على نتائج الاتفاق بين النماذج الفردية ونموذج المجموعة والقراء في قسم المواد التكميلية.

أحد قيود التصوير بالرنين المغناطيسي هو الدقة المنخفضة لإظهار الأكياس الدقيقة. كان متوسط ​​حجم فوكسل في هذه الدراسة {{0}}. 0 076 ± 0.0034 مل. ومع ذلك ، نظرًا للضوضاء المتأصلة الموجودة في صور MR (أي ضوضاء الملح والفلفل) ، فقد طبقنا حدًا أقل لحجم الكيس يبلغ 4 فوكسل (متوسط ​​القطر داخل الطائرة 2.76 ± 0.48 مم) بعد المعالجة اللاحقة.

أصبحت مناهج اكتشاف الكائنات لأداء تجزئة المثيل للحالات المتداخلة والمجمعة شائعة بشكل متزايد نظرًا لأدائها العالي على الصور الطبية الطبيعية وثنائية الأبعاد [18-26]. ومع ذلك ، فإن المتطلبات العالية لذاكرة وحدة معالجة الرسومات تجعل هذا الأسلوب مستحيل التنفيذ للصور ثلاثية الأبعاد التي تحتوي على عدد كبير من المثيلات. ليو وآخرون. [27] طبق نموذج قائم على Mask R-CNN لتجزئة العقيدات الرئوية على صور التصوير المقطعي المحوسب. على الرغم من عدم وجود عقيدات الرئة بنفس كمية الخراجات في ADPKD ، إلا أن Liu et. استخدم al إستراتيجية تعتمد على التصحيح لحساب أبعاد فحوصات التصوير المقطعي المحوسب وذاكرة وحدة معالجة الرسومات المحدودة. في محاولة لتقليل التعقيد الحسابي ، استخدم بعض الباحثين طرقًا مشابهة لنظرية الألوان الأربعة لتدريب خوارزمية التعلم العميق للتنبؤ بتجزئة المثيلات ثنائية الأبعاد [39]. على الرغم من أن هذا النهج يعمل جيدًا مع الصور ثنائية الأبعاد ، إلا أنه من غير الواضح معرفة عدد الألوان التي ستكون ضرورية للصور ثلاثية الأبعاد ، خاصة لمشكلتنا المتمثلة في التحديد التلقائي والتمييز بشكل منفصل عن مئات إلى آلاف الخراجات. في هذه الدراسة ، استخدمنا نهج تجزئة المثيل الدلالي ، والذي أدى بشكل مشابه جدًا لاثنين من القراء ذوي الخبرة ، وعلى الرغم من أننا استخدمنا عوامل التشكل لتحويل الصور من مثال إلى تجزئة دلالي ودلالي إلى تجزئة المثال ، فقد أظهرنا أن هذه العمليات لا تفعل ذلك. لها تأثير على حجم الكيس النهائي وعدد الكيس الكلي. قد يقلل التطوير المستقبلي لاستراتيجيات تجزئة المثيل من الحاجة إلى متطلبات الذاكرة العالية هذه وينتج عن تنفيذ تجزئة مثيل الكيس باستخدام طريقة تعتمد على تحديد موقع الكائن / الكشف.

كان القيد الرئيسي للدراسة هو عدم وجود معيار ذهبي. لم يكن العدد الدقيق للأكياس وقيم TCV متاحين ؛ وهكذا اعتمدنا على دقة اثنين من قارئي الصور الطبية المدربين. يتمثل أحد القيود الأخرى في حجم الفوج الصغير ، الذي منعنا من تحليل القيمة السريرية لهذه المؤشرات الحيوية للتصوير الجديدة ؛ ومع ذلك ، هذا هو هدفنا الرئيسي للعمل في المستقبل. أخيرًا ، كانت الصور فقط من مؤسستنا التي تم الحصول عليها باستخدام بروتوكول التصوير نفسه. يمكن أن تساعد مجموعة البيانات الأكبر التي تحتوي على عينات من مختلف المؤسسات وبائعي الآلات في زيادة تعميم نموذج مثيل الكيس. بالإضافة إلى ذلك ، يمكن توسيع هذا العمل من خلال التعلم النشط لتسلسلات MR الأخرى مثل T 2- الصور المرجحة الخالية من الدهون والصور T {{2} التي تم وزنها ، والتي قد تضيف معلومات جديدة عن شكل الكيس إلى النموذج. علاوة على ذلك ، يمكن تطبيق بنية مماثلة على طرائق أخرى للصور مثل التصوير المقطعي المحوسب.

الاستنتاجات

لقد طورنا طريقة مؤتمتة بالكامل لتجزئة المثيلات ثلاثية الأبعاد للكيسات الكلوية في صور T2 MR لمرضى ADPKD المصابين بمرض خفيف ومتوسط ​​وشديد. هناك حاجة لدراسات مستقبلية مع مجموعة بيانات أكبر لفهم أفضل لكيفية ارتباط هذه المؤشرات الحيوية الإضافية بحالة المريض والتشخيص.

الإعلانات

تضارب المصالحيعلن الكتاب لا تضارب المصالح.

الوصول المفتوحتم ترخيص هذه المقالة بموجب Creative Commons Attribution 4. 0 الترخيص الدولي ، الذي يسمح بالاستخدام والمشاركة والتكييف والتوزيع والنسخ بأي وسيط أو تنسيق ، طالما أنك تمنح الائتمان المناسب للمؤلف (المؤلفين الأصليين) ) والمصدر ، وتوفير رابط إلى ترخيص المشاع الإبداعي ، وبيان ما إذا تم إجراء تغييرات. يتم تضمين الصور أو مواد الطرف الثالث الأخرى الواردة في هذه المقالة في ترخيص المشاع الإبداعي الخاص بالمقال ما لم يُذكر خلاف ذلك في حد ائتمان المادة. إذا لم يتم تضمين المادة في ترخيص Creative Commons الخاص بالمقال وكان استخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به ، فستحتاج إلى الحصول على إذن مباشر من صاحب حقوق الطبع والنشر.

مراجع

1. Willey C، Kamat S، Stellhorn R، Blais J: تحليل البيانات على مستوى الدولة لتحديد مدى انتشار وتشخيص مرض الكلى المتعدد الكيسات الصبغي الجسدي السائد في الولايات المتحدة الأمريكية: 2013-2015. أمراض الكلى 5: 107-117 ، 2019

2. توريس في إي ، هاريس بي سي ، بيرسون واي: مرض الكلى المتعدد الكيسات الصبغي الجسدي السائد. The Lancet 369: 1287-1301 ، 2007

3. Perrone RD ، وآخرون: الحجم الكلي للكلية هو مؤشر حيوي تنبؤي لانخفاض وظائف الكلى والتقدم إلى مرض الكلى في المرحلة النهائية في المرضى الذين يعانون من مرض الكلى المتعدد الكيسات السائد. Kidney Int rep 2: 442-450 ، 2017

4. عالم إيه وآخرون: الحجم الكلي للكلى في مرض الكلى المتعدد الكيسات الصبغي الجسدي السائد: علامة بيولوجية لتطور المرض والفعالية العلاجية. Am J Kidney Dis 66: 564-576 ، 2015

5. Tangri N ، Hougen I ، Alam A ، Perrone R ، McFarlane P ، Pei Y: الحجم الكلي للكلى كمؤشر حيوي لتطور المرض في مرض الكلى المتعدد الكيسات السائد. Can J Kidney Health Dis 4: 2054358117693355 ، 2017

6. Harris PC ، وآخرون: يرتبط عدد الكيسات وليس معدل النمو الكيسي بالجين المتحور في مرض الكلى المتعدد الكيسات السائد. J Am Soc Nephrol 17: 3013-3019 ، 2006

7. Irazabal MV ، وآخرون: تصنيف التصوير لمرض الكلى المتعدد الكيسات الصبغي الجسدي السائد: نموذج بسيط لاختيار المرضى للتجارب السريرية. J Am Soc Nephrol 26: 160-172 ، 2015

8. باي كي تي وآخرون: تصنيف التصوير الموسع لمرض الكلى المتعدد الكيسات الصبغي الجسدي السائد. J آم سوك نفرول ، 2020

9. Qi CR، Su H، Mo K، Guibas LJ: Pointnet: التعلم العميق على مجموعات النقاط لتصنيف وتجزئة ثلاثية الأبعاد. بروك. قدمت في الاجتماع السنوي CVPR2017

10. Garcia-Garcia A، Orts-Escolano S، Oprea S، Villena-Martinez V، Garcia-Rodriguez J: مراجعة لتقنيات التعلم العميق المطبقة على التجزئة الدلالية. طبعة arXiv التمهيدية ، 2017

11. Gupta A، Vedaldi A، Zisserman A: البيانات التركيبية لتوطين النص في الصور الطبيعية. بروك. قدمت في الاجتماع السنوي CVPR2017

12. Litjens G وآخرون: دراسة استقصائية حول التعلم العميق في تحليل الصور الطبية. Med Image Anal 42: 60-88 ، 2017

13. شارما ك وآخرون: التقسيم التلقائي للكلى باستخدام التعلم العميق لتقدير الحجم الكلي للكلى في مرض الكلى المتعدد الكيسات الجسدي السائد. ممثل العلوم 7: 2049 ، 2017

14. Turco D، Valinoti M، Martin EM، Tagliaferri C، Scolari F، Corsi C: تجزئة مؤتمتة بالكامل للكلى متعددة الكيسات من التصوير المقطعي غير المتباين: دراسة جدوى و

نتائج اولية. أكاد راديول 25: 850-855 ، 2018

15. Kline TL ، وآخرون: أداء شبكة عصبية عميقة متعددة المراقبين لتجزئة مؤتمتة بالكامل للكلى متعددة الكيسات. J Digit Imaging 30: 442-448 ، 2017

16. van Gastel MD، Edwards ME، Torres VE، Erickson BJ، Gansevoort RT، Kline TL: القياس التلقائي لأحجام الكلى والكبد من صور MR للمرضى المتأثرين بمرض الكلى المتعدد الكيسات الجسدي المهيمن. J Am Soc Nephrol 30: 1514-1522 ، 2019

17. He K، Gkioxari G، Dollár P، Girshick R: Mask r-cnn. بروك. وقائع المؤتمر الدولي IEEE حول رؤية الكمبيوتر

18. Prabhakar G ، Kailath B ، Natarajan S ، Kumar R: كشف العقبات وتصنيفها باستخدام التعلم العميق للتتبع في القيادة الذاتية عالية السرعة. بروك. ندوة 2017 IEEE المنطقة 10 (TENSYMP)

19. Huang Z ، Zhong Z ، Sun L ، Huo Q: قناع R-CNN مع شبكة الانتباه الهرمي لاكتشاف نص المشهد. بروك. مؤتمر IEEE الشتوي لعام 2019 حول تطبيقات الرؤية الحاسوبية (WACV)

20. Yu Y ، Zhang K ، Yang L ، Zhang D: اكتشاف الفاكهة لروبوت حصاد الفراولة في بيئة غير هيكلية على أساس Mask-RCNN. كمبيوت إلكترون أجريك 163: 104846 ، 2019